Autor: Franczeska

Claude Platform otrzymuje ważne aktualizacje: większa kontrola nad streamingiem i nowe pola w API

Platforma Claude od Anthropic właśnie zyskała dwie istotne, choć na pierwszy rzut oka dyskretne, nowości dla deweloperów. Chodzi o możliwość programistycznego sprawdzania możliwości modeli oraz większą kontrolę nad strumieniowaniem odpowiedzi w trybie rozszerzonego myślenia (extended thinking). To drobne, ale ważne zmiany, które ułatwiają budowanie bardziej przewidywalnych i wydajnych aplikacji.

Zasadniczo, korzystając z API Claude, trzeba wiedzieć, z czym dokładnie ma się do czynienia – jakie limity tokenów obowiązują i które funkcje są wspierane. Do tej pory informacje te trzeba było sprawdzać w dokumentacji. Teraz można to zrobić bezpośrednio w kodzie.

Nowe pola w Models API: max_input_tokens, max_tokens i capabilities

Od 18 marca 2026 roku endpointy GET /v1/models oraz GET /v1/models/{model_id} zwracają trzy nowe pola. Są to max_input_tokens, max_tokens oraz obiekt capabilities. Co one oznaczają?

max_input_tokens określa maksymalną liczbę tokenów, jaką model może przyjąć na wejściu w pojedynczym żądaniu. max_tokens to z kolei limit tokenów, które model może wygenerować w odpowiedzi. Najciekawszy jest jednak obiekt capabilities. Choć szczegóły nie zostały jeszcze szeroko opisane, można się spodziewać, że będzie on przechowywał informacje o tym, czy dany model obsługuje np. extended thinking, wizję czy konkretne narzędzia (tool use).

To zmiana jakościowa dla deweloperów integrujących Claude'a. Zamiast ręcznie aktualizować konfigurację w kodzie przy każdym wydaniu nowego modelu, można napisać logikę, która dynamicznie odczyta jego możliwości bezpośrednio z API. W praktyce ułatwia to zarządzanie wersjami modeli i tworzenie bardziej odpornych na zmiany integracji.

Kontrola nad streamingiem odpowiedzi z „myśleniem”: pole display

Druga aktualizacja, z 16 marca, dotyczy trybu extended thinking. To funkcja, w której Claude, zamiast od razu podawać finalną odpowiedź, najpierw prezentuje swój tok rozumowania prowadzący do rozwiązania. Jest to niezwykle przydatne do debugowania i zrozumienia procesu, ale w niektórych aplikacjach produkcyjnych te dodatkowe dane mogą nie być potrzebne użytkownikowi końcowemu, a ich przesyłanie wydłuża czas uzyskania ostatecznej odpowiedzi.

Teraz deweloperzy zyskują nad tym kontrolę. W żądaniu można ustawić parametr thinking.display: "omitted". W efekcie w strumieniowanej odpowiedzi bloki thinking będą przychodziły z pustą zawartością, ale ich sygnatura (struktura) zostanie zachowana. Dlaczego to ważne?

Zachowanie struktury jest kluczowe dla ciągłości w rozmowach wieloturowych. Systemy, które analizują i przetwarzają odpowiedzi modelu w czasie rzeczywistym, często polegają na tej strukturze, aby odróżnić proces myślenia od finalnej odpowiedzi. Gdyby struktura uległa zmianie, mogłoby to zaburzyć logikę aplikacji. Teraz aplikacja może bezpiecznie pomijać treść myślenia przed użytkownikiem, zachowując jednocześnie pełną informację dla własnej logiki przetwarzania. Co istotne, sposób rozliczania za użycie modelu pozostaje bez zmian – płaci się zarówno za tokeny zużyte na myślenie, jak i na odpowiedź.

Kontekst: potężne modele 4.6 i milion tokenów kontekstu

Te techniczne aktualizacje API wpisują się w szerszy trend rozwoju Claude'a, który w 2026 roku przyspieszył. Flagowe modele, Claude Opus 4.6 i Claude Sonnet 4.6, oferują już kontekst miliona tokenów (1M) w wersji ogólnodostępnej (generally available). Oznacza to, że modele mogą analizować ogromne zbiory danych – na przykład całe bazy kodu liczące miliony linii, długie transkrypcje sądowe lub kompleksowe raporty due diligence.

Wcześniej korzystanie z okna 1M tokenów wymagało specjalnego nagłówka beta. Od 13 marca dla Opus 4.6 i Sonnet 4.6 to ograniczenie zniesiono. Jeśli żądanie przekracza 200 tysięcy tokenów, system automatycznie użyje pełnego, milionowego kontekstu. Jednocześnie usunięto specjalne limity rate limits dla 1M tokenów, co oznacza, że obowiązują teraz standardowe limity konta.

Co to oznacza dla deweloperów webowych i AI?

Dla osób budujących aplikacje z użyciem AI, zwłaszcza w obszarach web developmentu, programowania czy DevOps, te zmiany mają konkretne przełożenie.

Po pierwsze: większa przejrzystość i automatyzacja. Dynamiczne odczytywanie możliwości modeli pozwala na tworzenie systemów, które same dostosowują się do dostępnych funkcji. Można sobie wyobrazić aplikację, która sprawdza, czy wybrany model obsługuje wizję, i dopiero wtedy umożliwia przesyłanie obrazów. Albo system monitorujący, który wysyła alert, gdy prompt zbliża się do limitu max_tokens dla danego modelu.

Po drugie: lepsze doświadczenie użytkownika w aplikacjach strumieniujących. Tryb thinking.display: "omitted" pozwala na szybsze dostarczenie użytkownikowi końcowemu finalnej, „czystej” odpowiedzi, szczególnie w chatbotach wsparcia czy interfejsach konwersacyjnych. W tle aplikacja nadal otrzymuje pełną strukturę, więc może logować proces myślenia do celów analitycznych lub używać go w kolejnych turach rozmowy, ale użytkownik nie musi na to czekać.

Po trzecie: łatwiejsze zarządzanie kosztami i wydajnością. Wiedza o dokładnych limitach tokenów (max_input_tokens, max_tokens) pomaga precyzyjniej projektować prompty i przewidywać zużycie. Łącząc to z innymi nowościami, jak automatyczne buforowanie promptów (automatic caching), deweloperzy mogą budować wydajniejsze i tańsze w utrzymaniu aplikacje.

Podsumowanie: ewolucja w kierunku platformy dla deweloperów

Aktualizacje z marca 2026 roku, choć techniczne, pokazują wyraźny kierunek rozwoju platformy Claude. Anthropic nie tylko wypuszcza coraz potężniejsze modele, jak Opus 4.6 czy Sonnet 4.6, ale też konsekwentnie dopracowuje warstwę programistyczną – API, SDK i narzędzia deweloperskie.

Dodanie pól capabilities i kontroli nad display w streamingu to kroki w stronę większej programowalności i kontroli. Platforma staje się nie tylko źródłem zaawansowanej sztucznej inteligencji, ale też przewidywalnym i dobrze udokumentowanym środowiskiem do budowania aplikacji. Dla deweloperów pracujących nad złożonymi agentami AI, systemami przetwarzania dokumentów czy narzędziami do modernizacji kodu, takie usprawnienia na poziomie API są bezcenne. Pozwalają skupić się na logice biznesowej, zamiast na ręcznym dostosowywaniu się do zmian w modelach.

2026-03-25
Cursor Composer 2: Genialny model do kodowania, który tak naprawdę jest fine-tune’em chińskiego Kimi K2.5
Nowy model kodujący Cursor Composer 2 z miejsca wskoczył na wysokie pozycje w benchmarkach, bijąc nawet Claude Opus przy znacznie niższych kosztach. Szybko okazało się jednak, że za tym „własnym, najwyższej klasy modelem AI” firmy Cursor stoi inna, potężna technologia. Wszystko przez ujawniony w API identyfikator: kimi-k2p5-rl-0317. To bezpośrednie odniesienie do Kimi K2.5, flagowego modelu chińskiej firmy Moonshot AI.

Sprawa wywołała gorącą dyskusję w środowisku deweloperów. Z jednej strony mamy świetne narzędzie, które faktycznie działa. Z drugiej – pytania o przejrzystość i uznanie dla prawdziwego źródła innowacji. Szczerze mówiąc, to jeden z ciekawszych technologicznych zwrotów akcji ostatnich miesięcy.

Od premiery do kontrowersji: jak odkryto prawdziwe źródło

Cursor ogłosił Composer 2 w marcu 2026 roku. Marketingowo przedstawiano go jako własny model klasy „frontier”, stworzony specjalnie do złożonych, wieloetapowych zadań programistycznych. Model miał być dostępny w edytorze Cursor oraz w wersji alfa nowego interfejsu o nazwie „Glass”.

Już w ciągu 24 godzin od premiery deweloperzy przyglądający się odpowiedziom API odkryli prawdę. W logach i odpowiedziach systemu pojawiał się wewnętrzny identyfikator modelu, taki jak kimi-k2p5-rl-0317-s515-fast. To był jasny sygnał, że podstawą jest Kimi K2.5 od Moonshot AI. Plotki o braku przypisania autorstwa chińskiemu źródłu zaczęły krążyć natychmiast.

Firma Cursor początkowo nie komentowała sprawy bezpośrednio w komunikacji marketingowej. Potwierdzenie przyszło później, między innymi poprzez wypowiedzi pracowników. Lee Robinson z Cursor wspomniał, że tylko około jednej czwartej mocy obliczeniowej wydanej na finalny model pochodziło z bazowego modelu Kimi, a reszta została poświęcona na własne procesy treningowe Cursor.

Ostatecznie Moonshot AI publicznie potwierdził, że Kimi K2.5 stanowi fundament pod Composer 2, a wszystko odbywa się w ramach autoryzowanej współpracy komercyjnej poprzez platformę Fireworks. Kluczowy okazał się też zapis z licencji Kimi K2.5, który wymaga wyraźnego oznaczenia „Kimi K2.5” w interfejsie użytkownika produktów komercyjnych, jeśli przekraczają one próg 100 milionów aktywnych użytkowników miesięcznie lub 20 milionów dolarów miesięcznego przychodu.

Composer 2 vs. konkurencja: liczby nie kłamią

Niezależnie od źródła, wyniki modelu są imponujące. Benchmarki kodowania wyraźnie pokazują jego siłę. W CursorBench osiąga 61,3 punktu, w Terminal-Bench 2.0 – 61,7, a w SWE-bench Multilingual aż 73,7. To pozycjonuje go przed takimi gigantami jak Claude Opus.

Co ważne, ten wynik osiągany jest przy znacznie niższym koszcie. Cursor celowo trenował model wyłącznie na danych kodowych, aby wyspecjalizować go w rozwiązywaniu złożonych, wieloetapowych problemów programistycznych. Model wspiera kontekst o długości 256 tysięcy tokenów.

Jak stwierdził współzałożyciel Cursor, Aman Sanger, model ma bardzo konkretne zastosowanie: „Nie pomoże ci rozliczyć podatków. Nie będzie potrafił pisać wierszy”. To narzędzie dla deweloperów, a nie uniwersalny asystent.

Prawdziwym przełomem jest cena. Spójrzmy na porównanie kosztów za milion tokenów:
- Composer 2 (standardowy): 0,50 $ za wejście / 2,50 $ za wyjście.
- Composer 2 Fast: 1,50 $ / 7,50 $ (ta sama inteligencja, szybsze odpowiedzi).
- Claude Opus: 5,00 $ / 25,00 $.
- GPT-4o: od 2,50 $ / 15,00 $ do 5,00 $ / 22,50 $, w zależności od długości kontekstu.
Różnica jest kolosalna, zwłaszcza dla firm intensywnie korzystających z AI. Composer 2 oferuje podobną lub lepszą wydajność w zadaniach kodowych za ułamek ceny najdroższej konkurencji.

Kim jest Kimi K2.5, czyli potęga chińskiego AI w tle

Aby zrozumieć, z czym tak naprawdę mamy do czynienia, trzeba poznać model bazowy. Kimi K2.5 to chiński model open-weights Moonshot AI, jednej z czołowych chińskich firm zajmujących się sztuczną inteligencją.

To potężna jednostka o architekturze Mixture of Experts (MoE) z 1 bilionem parametrów całkowitych i 32 miliardami parametrów aktywnych. Jego działanie ma być nawet do ośmiu razy tańsze niż Claude Opus. Co ciekawe, oferuje kompatybilność z OpenAI API, co znacząco ułatwia integrację. Model jest multimodalny – obsługuje tekst, obraz, audio i wideo, oferuje tzw. „długie myślenie” (long-thinking) oraz możliwość wywoływania funkcji (tool calling).

Deweloperzy mogą uzyskać do niego dostęp bezpośrednio, bez pośrednictwa Cursor. Wystarczy klucz API z platformy Moonshot (platform.moonshot.cn), użycie bazowego URL https://api.moonshot.cn/v1 i wskazanie nazwy modelu jako kimi-k2.5. To pokazuje, że Cursor nie jest jedyną drogą do tej technologii, ale z pewnością dostarcza ją w formie zoptymalizowanej pod kodowanie.

Burza w społeczności: marketing a rzeczywistość

Odkrycie prawdziwej natury Composer 2 wywołało żywiołową reakcję społeczności deweloperskiej. Komentarze krążyły wokół tematu przejrzystości. „Cursor Composer 2 to po prostu Kimi K2.5 z RL” – pisali jedni. Inni dodawali: „Bycie KimiK2.5++ jest w porządku, brak transparentności już nie”.

Warto przypomnieć, że to nie pierwszy raz, gdy Cursor buduje na cudzej technologii. Dyskusja toczyła się też wokół szerszych tematów: rosnącej roli otwartych i półotwartych modeli, ewentualnej reakcji firmy Anthropic (twórcy Claude) na tak bezpośrednie porównania, oraz wartości, jaką takie narzędzie wnosi do własnych, zamkniętych baz kodu w porównaniu do bardziej „agentowych” edytorów.

Wiele osób podkreślało, że finalny produkt jest doskonały i działa znakomicie. Kontrowersje dotyczyły głównie warstwy komunikacyjnej i marketingowego nazywania modelu „własnym”. W świecie open source i współpracy korporacyjnej jasne przypisanie autorstwa jest często kluczowe dla zaufania.

Wnioski: nowa era współpracy i specjalizacji

Sprawa Cursor Composer 2 jest doskonałym studium przypadku dla współczesnego ekosystemu AI. Pokazuje wyraźnie kilka trendów. Po pierwsze, era monolitycznych, samodzielnie budowanych od zera modeli przez każdą firmę może się kończyć. Przyszłość leży w specjalizacji i fine-tuningu potężnych, ogólnych modeli bazowych, często pochodzących od wąskiej grupy liderów.

Po drugie, granice geograficzne w technologii AI są coraz bardziej przepuszczalne. Zachodni produkt, który staje się hitem wśród deweloperów, może mieć serce zaprojektowane i wytrenowane w Chinach. To dowód na globalizację zaawansowanych badań.

Po trzecie, społeczność techniczna jest niezwykle czujna. Marketingowe narracje są weryfikowane w ciągu godzin poprzez analizę logów, odpowiedzi API i porównania benchmarków. Przejrzystość staje się walutą, za którą płaci się zaufaniem użytkowników.

Cursor Composer 2, będący w istocie fine-tune'em Kimi K2.5, pozostaje niezwykle atrakcyjnym narzędziem. Oferuje najwyższą klasę możliwości w zadaniach kodowych za bezprecedensowo niską cenę. Dla deweloperów i firm ta efektywność kosztowa i wydajność mogą być ważniejsze niż korporacyjne pochodzenie modelu. Ostatecznie w kodzie liczy się wynik. A ten, jak na razie, jest znakomity. Cała sytuacja służy jednak jako przypomnienie, że w erze współzależnych modeli AI uczciwość wobec użytkownika co do źródeł technologii jest równie ważna, co same osiągi.
2026-03-24
Nowy model Cursor, Composer 2, łączy wysoką inteligencję kodowania z niższym kosztem

Anysphere, firma stojąca za popularnym środowiskiem programistycznym Cursor, ogłosiła wydanie nowej, autorskiej wersji modelu AI do kodowania – Composer 2. To znacząca aktualizacja modelu Composer, która w ciągu zaledwie pięciu miesięcy przynosi duży skok jakościowy. Najważniejsze przesłanie? Frontierowa inteligencja w zakresie kodowania, ale w znacznie niższej cenie niż u konkurencji.

Composer 2 jest już dostępny bezpośrednio w środowisku Cursor, co oznacza, że użytkownicy mogą z niego korzystać w ramach codziennej pracy z kodem. Firma mocno stawia na integrację modelu z własnym ekosystemem, podkreślając, że jest on specjalnie dostrojony do agentowego workflow, użycia narzędzi, edycji plików i operacji terminalowych oferowanych przez Cursor.

Znacząca poprawa wyników benchmarków

Cursor opublikował zestawienie wyników, które pokazuje wyraźny postęp w stosunku do poprzednich modeli z rodziny Composer. Nowa wersja osiąga lepsze wyniki w wewnętrznym CursorBench, Terminal-Bench 2.0 oraz SWE-bench Multilingual.

Dla porównania, oryginalny model Composer osiągał znacznie słabsze rezultaty. To pokazuje solidny skok jakościowy w każdym z mierzonych obszarów. Szczególnie istotny jest przyrost w Terminal-Bench 2.0, który mierzy, jak dobrze agent AI radzi sobie z zadaniami w terminalu, czyli kluczowym elementem pracy programisty.

Co ciekawe, firma nie twierdzi, że jej model jest bezkonkurencyjny. W Terminal-Bench 2.0 prowadzą modele konkurencji, jednak Composer 2 plasuje się przed innymi rozwiązaniami i własnym poprzednikiem. Taka szczerość buduje wiarygodność – Cursor nie obiecuje cudów, lecz konkretny, wymierny postęp.

Przełom w ekonomii użytkowania: znacznie taniej

Jeśli wyniki benchmarków mogą być postrzegane jako względne, to obniżka cen jest już absolutnie namacalna. To prawdopodobnie najsilniejszy atut marketingowy tego wydania. Composer 2 Standard kosztuje 0,50 USD za milion tokenów wejściowych i 2,50 USD za milion tokenów wyjściowych.

To ogromna zmiana w porównaniu do poprzednich stawek. Firma wprowadza też wariant szybszy, Composer 2 Fast, który oferuje identyczny poziom inteligencji, ale wyższą przepustowość. Kosztuje on 1,50 USD za wejście i 7,50 USD za wyjście, co i tak stanowi znaczną obniżkę względem poprzedniej generacji.

Cursor idzie o krok dalej i czyni szybszy wariant domyślnym dla użytkowników. To odważny ruch, który sugeruje, że priorytetem jest płynność pracy, a firma może zapewnić ją w konkurencyjnej cenie. Dla użytkowników planów indywidualnych zużycie Composer jest częścią osobnej puli z ogólnym limitem, co ułatwia kontrolę kosztów.

Skupienie na zadaniach długofalowych

Cursor nie oferuje po prostu lepszego autouzupełniania kodu. Kluczowym przesłaniem technicznym jest to, że Composer 2 został wytrenowany specjalnie pod kątem długofalowego kodowania agentowego.

W praktyce chodzi o to, by model nie tylko napisał pojedynczą funkcję, ale potrafił prowadzić złożony, wieloetapowy proces: analizę repozytorium, podejmowanie decyzji o koniecznych zmianach, edycję wielu plików, uruchamianie poleceń, interpretację błędów i kontynuowanie pracy aż do osiągnięcia celu. To właśnie te "setki akcji", o których wspomina firma.

Postęp w tej dziedzinie jest kluczowy, ponieważ wiele modeli świetnie radzi sobie z izolowanymi zadaniami, ale "gubi wątek" w dłuższych, sekwencyjnych procesach programistycznych.

Kompresja w pętli uczenia: techniczny sekret modelu

Aby rozwiązać problem długiego horyzontu planowania, zespół Cursor zastosował innowacyjną technikę treningu zwaną compaction-in-the-loop reinforcement learning. W dużym uproszczeniu: zamiast traktować podsumowanie kontekstu (gdy okno kontekstowe się kończy) jako zewnętrzny, odrębny krok, wbudowano tę funkcję bezpośrednio w proces uczenia się modelu.

Jak to działa? Podczas treningu model jest celowo wypychany do limitu swojego okna kontekstowego. Następnie, za pomocą uczenia ze wzmocnieniem (RL), jest nagradzany za wygenerowanie "skompresowanej" wersji własnej historii, która pozwala mu pomyślnie dokończyć zadanie.

Jeśli model przygotuje złe podsumowanie – na przykład pominie kluczową nazwę zmiennej czy informację o poprzednio naprawionym błędzie – zawiedzie w zadaniu i otrzyma ujemną nagrodę. Dzięki temu uczy się, które elementy historii są naprawdę istotne dla kontynuowania pracy.

Według danych Cursor, to podejście znacząco redukuje błędy związane z kompresją kontekstu w porównaniu do wcześniejszych metod. Generowane podsumowania są też dużo wydajniejsze pod względem zużycia tokenów niż standardowe streszczenia tworzone na podstawie promptów. Pozwala to agentowi na pracę nad refaktoryzacją całego projektu bez utraty głównego celu.

Cursor: mały gigant na rynku AI dla deweloperów

Kontekst tego wydania jest nie mniej ciekawy niż sam model. Anysphere rozwija się dynamicznie. Firma zatrudnia około 400 osób, co w porównaniu do gigantów takich jak OpenAI, Anthropic czy Google, czyni ją stosunkowo małym graczem. Mimo to udaje jej się nie tylko rozwijać zaawansowane środowisko programistyczne, ale także tworzyć i szybko iterować własne, konkurencyjne modele. Wydanie Composer 2 w tak krótkim czasie pokazuje niezwykłe tempo innowacji.

Podsumowanie: praktyczny krok naprzód

Wydanie Composer 2 nie jest ogłoszeniem "zabójcy" modeli konkurencji. To pragmatyczna i prawdopodobnie bardziej użyteczna dla programistów propozycja. Cursor mówi: nasz model wszedł do wyższej ligi jakościowej, oferuje atrakcyjną ekonomię i jest głęboko zintegrowany z narzędziem, z którego i tak korzystasz.

Dla deweloperów już pracujących w Cursorze aktualizacja do Composer 2 wydaje się oczywistym wyborem – oferuje lepszą wydajność za ułamek wcześniejszych kosztów. Dla osób rozważających zmianę środowiska to kolejny mocny argument. Firma pokazuje, że potrafi szybko dostarczać realną wartość, łącząc badania nad AI z praktycznymi potrzebami programistów. W świecie AI, gdzie wielkie, ogólne modele często kradną uwagę, Cursor konsekwentnie udowadnia, że głęboka specjalizacja i dopasowanie do konkretnego workflow użytkownika to potężna strategia.

2026-03-22
Cursor znacząco rozszerza możliwości rozwoju o nowe pluginy, automatyzacje i wsparcie JetBrains IDE
Marzec 2026 przyniósł programistom korzystającym z Cursor, jednego z wiodących narzędzi do AI-driven development, prawdziwą lawinę nowości. Trzy kluczowe aktualizacje – rozbudowa Marketplace o nowe pluginy, wprowadzenie Automations oraz integracja z JetBrains IDE – mają na celu usunięcie barier między agentami AI a codzienną pracą inżynierską. To nie są drobne poprawki, lecz strategiczne posunięcia, które zmieniają Cursor z zaawansowanego edytora w centrum sterowania zautomatyzowanymi workflow.

Chodzi o to, by agent AI nie był jedynie biernym asystentem odpowiadającym na pytania, ale aktywnym uczestnikiem procesu, który potrafi samodzielnie wykonywać zadania w całym stacku technologicznym. Brzmi futurystycznie? Najnowsze funkcjonalności pokazują, że to już rzeczywistość.

Rozwój Marketplace: agenci zyskują dostęp do narzędzi

Najważniejszą zmianą jest rozwój Cursor Marketplace. Katalog został rozszerzony o nowe pluginy, które dają agentom Cursor możliwość działania w zewnętrznych narzędziach. To nie tylko kosmetyka – pluginy umożliwiają agentom czytanie, zapisywanie i wykonywanie akcji.

Co to właściwie oznacza w praktyce? Można poprosić agenta o wykonanie złożonego, między-narzędziowego workflow. Wcześniej takie zadania wymagały ręcznej pracy. Teraz agent, wyposażony w odpowiednie pluginy, może zająć się tym samodzielnie.

Pluginy to coś więcej niż prosty dostęp do API. Często są budowane w oparciu o MCP (Model Context Protocol) do łączenia z narzędziami zewnętrznymi, co zapewnia kontekst i logikę potrzebną do sensownego działania. Jak zauważono w komunikacie Cursor: „To, co ma największe znaczenie dla sukcesu agenta, to dostęp do odpowiednich narzędzi i kontekstu. Pluginy to zapewniają… użytkownicy zgłaszają, że to połączenie jest znacznie potężniejsze”.

Można wyróżnić kilka kluczowych kategorii:
- Narzędzia produktywności i zarządzania: Pluginy pozwalają agentom współdziałać z narzędziami do zarządzania projektami i wewnętrznymi bazami wiedzy.
- Infrastruktura i DevOps: Integracje otwierają drogę do zarządzania pipeline’ami CI/CD, monitorowania i operacji bazodanowych.
- AI i modele: Pluginy ułatwiają pracę z modelami machine learning.
Dla zespołów pojawiła się też opcja tworzenia prywatnych, wewnętrznych pluginów, co pozwala na bezpieczne dzielenie się autorskimi integracjami.

Automations: zawsze włączone agenty reagujące na zdarzenia

Jeśli pluginy dają agentom „ręce” do działania, to nowa funkcja Automations daje im „zegar” i „czujniki”. Umożliwia budowanie zawsze włączonych agentów, którzy uruchamiają się automatycznie na podstawie zdefiniowanych wyzwalaczy (triggers) i instrukcji.

Wyzwalacze mogą być dwojakiego rodzaju:
1. Harmonogramy (Schedules): Agent uruchamia się o określonej porze, np. co noc, by przeprowadzić automatyczne testy lub wygenerować raport.
2. Zdarzenia (Events): Agent budzi się do działania, gdy wystąpi określona akcja w zewnętrznym systemie. Obsługiwane są różne źródła zdarzeń. Przykład? Nowy issue o wysokim priorytecie może automatycznie uruchomić agenta, który przeanalizuje kod, znajdzie potencjalne przyczyny i zasugeruje fix.
Kiedy automatyzacja się uruchomi, agent działa w bezpiecznym, chmurowym środowisku, korzystając ze skonfigurowanych modeli AI i pluginów (MCP). Co kluczowe, ma też dostęp do narzędzia pamięci, które pozwala mu uczyć się na podstawie poprzednich uruchomień i z czasem poprawiać swoją skuteczność.

To potężne narzędzie dla vibe coding oraz automatyzacji hostingu i DevOps. Zamiast ręcznie prosić AI o pomoc przy każdym deploymencie czy incydencie, można skonfigurować agenta, który będzie czuwał nad procesem i reagował samodzielnie.

Cursor wchodzi do JetBrains IDE

Dla ogromnej rzeszy programistów Java, Kotlin, Python czy JavaScript, którzy na co dzień pracują w IntelliJ IDEA, PyCharm czy WebStorm, najważniejszą nowością może być integracja. Cursor stał się oficjalnie dostępny we wszystkich JetBrains IDE dzięki ACP (Agent Client Protocol).

ACP to protokół JetBrains, który pozwala zewnętrznym agentom AI działać natywnie wewnątrz ich środowisk. W praktyce oznacza to, że nie trzeba porzucać ulubionego, potężnego IDE JetBrains, aby korzystać z zaawansowanych zdolności agentowych Cursor. Wystarczy zainstalować Cursor ACP z rejestru agentów w pluginie AI Assistant i zalogować się na swoje konto Cursor.

Integracja ta jest dostępna dla użytkowników Cursor. Co zyskują?
- Dostęp do modeli frontierowych: Można wybierać modele AI bezpośrednio w IDE.
- Połączenie dwóch światów: Głęboka analiza kodu, refaktoryzacja, debugging i wszystkie zaawansowane funkcje JetBrains spotykają się z agentycznymi workflow Cursor, takimi jak planowanie zadań czy iteracyjne rozwiązywanie problemów.
- Bezpieczny indeks kodu: Cursor wykorzystuje bezpieczne indeksowanie i wyszukiwanie semantyczne, by rozumieć duże, korporacyjne codebase’y, co w połączeniu z inteligencją JetBrains daje potężny kontekst.
To wyraźny sygnał, że przyszłość nie leży w zamkniętych ekosystemach, lecz w interoperacyjności.

Podsumowanie: Cursor buduje mosty, nie ściany

Te trzy równoległe aktualizacje – pluginy, automatyzacje i integracja z JetBrains – układają się w spójną strategię. Cursor nie chce być kolejną zamkniętą „twierdzą” dla rozwoju z AI. Zamiast tego stara się być łącznikiem i platformą, która integruje najlepsze narzędzia deweloperskie z najbardziej zaawansowanymi modelami AI.

Pluginy łączą agentów ze światem zewnętrznym, Automations dają im autonomię czasową i reaktywną, a integracja z JetBrains ACP otwiera drzwi dla milionów programistów, którzy nie chcą rezygnować ze sprawdzonych środowisk. To podejście „otwartego ekosystemu” jest dziś kluczowe. Deweloperzy nie chcą być zamykani w jednym rozwiązaniu – chcą elastycznie komponować swoje workflow z najlepszych dostępnych komponentów.

Efekt? AI przestaje być ciekawostką w osobnym okienku, a staje się integralną, działającą w tle częścią procesu wytwórczego – od zarządzania projektem, przez pisanie i code review, po monitorowanie infrastruktury. To krok w stronę realizacji wizji, w której deweloper jest bardziej architektem i przewodnikiem, a powtarzalne zadania wymagające kontekstu wykonują za niego zautomatyzowani, inteligentni asystenci.
2026-03-19
OpenAI udostępnia GTP-5.4 nano w API. To najmniejszy i najtańszy model z nowej rodziny
Od 5 marca 2026 roku deweloperzy korzystający z OpenAI API mają do dyspozycji nową, kompaktową broń w swoim arsenale. Jest nią GPT-5.4-nano, najmniejsza i najbardziej ekonomiczna wersja najnowszej rodziny modeli językowych od OpenAI. To nie kolejna iteracja dostępna w popularnym interfejsie ChatGPT, lecz narzędzie dedykowane wyłącznie programistom integrującym AI w swoich aplikacjach i usługach.

Model został zaprojektowany z myślą o szybkości i wydajności kosztowej w zadaniach wymagających przetwarzania dużych ilości danych. Jego premiera w API to wyraźny sygnał, że OpenAI skupia się na potrzebach rynku deweloperskiego, oferując specjalistyczne rozwiązania do konkretnych zastosowań.

Dostępność i cennik: API w roli głównej

GPT-5.4-nano jest dostępny wyłącznie przez OpenAI API. Oznacza to, że przeciętny użytkownik końcowy nie znajdzie go w interfejsie czatu, co podkreśla jego profesjonalny, deweloperski charakter. Dostęp do modelu mają wszyscy programiści z aktywnym kontem OpenAI.

Kluczowym atutem tego modelu jest jego przewidywalny i atrakcyjny cennik. OpenAI ustaliło stawki na poziomie 0,20 USD za 1 milion tokenów wejściowych oraz 1,25 USD za 1 milion tokenów wyjściowych. Takie podejście do wyceny ułatwia budżetowanie projektów i skalowanie usług bez obaw o niekontrolowany wzrost kosztów. W kontekście zadań o wysokim wolumenie, gdzie liczy się każdy ułamek centa, te liczby robią dużą różnicę.

Specyfikacja modelu: mały, ale z wizją

Choć nano jest najmniejszym członkiem rodziny GPT-5.4, nie jest to wyłącznie model tekstowy. OpenAI wyposażyło go w możliwości wizyjne. Obsługa obrazów wiąże się z nieco wyższym kosztem przetwarzania, choć szczegółowy mnożnik dla tokenów wizyjnych nie został publicznie ujawniony. To ciekawe połączenie: lekki, szybki i tani model, który potrafi interpretować nie tylko tekst, ale i grafikę.

W porównaniu ze swoim poprzednikiem, GPT-5-nano, nowa iteracja stanowi znaczący upgrade. OpenAI zapewnia o poprawie wydajności w wielu wymiarach, choć konkretne benchmarki dla wersji nano nie zostały jeszcze szeroko upublicznione. Sam fakt, że model otrzymał nową numerację (5.4 zamiast 5), sugeruje, że zmiany są istotne, a nie tylko kosmetyczne.

Gdzie gpt-5.4-nano sprawdzi się najlepiej?

OpenAI jasno wskazuje rekomendowane scenariusze użycia. GPT-5.4-nano jest zoptymalizowany pod kątem zadań, w których priorytetem są szybkość i niski koszt, często kosztem maksymalnej, „głębokiej” mocy obliczeniowej.
- Klasyfikacja to jeden z głównych przypadków użycia. Automatyczne sortowanie treści, tagowanie, przypisywanie kategorii – tam, gdzie decyzje są względnie proste, a wolumen duży, nano może być idealnym wyborem.
- Ekstrakcja danych to kolejny obszar. Wyciąganie strukturyzowanych informacji z nieuporządkowanych tekstów, na przykład parsowanie faktur, wiadomości czy dokumentów, to praca, którą nano może wykonywać wydajnie i bez zbędnego obciążania budżetu.
- Ranking to naturalne zastosowanie dla mniejszego modelu. Sortowanie wyników wyszukiwania, list produktów czy rekomendacji w oparciu o proste kryteria nie zawsze wymaga potęgi największych modeli.
Ciekawą sugestią jest też wykorzystanie GPT-5.4-nano jako kodujących subagentów, które zajmują się prostszymi, pomocniczymi zadaniami w większym procesie (pipeline). Można sobie wyobrazić system, w którym główny, potężny agent planuje architekturę funkcji, a kilku „robotników” nano w tle pisze standardowy boilerplate code czy testy jednostkowe.

Kontekst wydajnościowy: jak nano wypada na tle rodziny?

Aby zrozumieć miejsce GPT-5.4-nano w ekosystemie, warto spojrzeć na osiągi jego większych braci. Pełnowymiarowy model GPT-5.4 osiąga imponujący wynik 67,3% sukcesów w benchmarku WebArena-Verified, który testuje praktyczne umiejętności korzystania z przeglądarki internetowej.

Na jeszcze wyższym poziomie, 92,8%, plasuje się w zadaniach Online-Mind2Web, opartych na analizie zrzutów ekranu. To pokazuje, że cała rodzina GPT-5.4 jest niezwykle kompetentna w zadaniach wymagających rozumienia i interakcji ze złożonym, multimodalnym środowiskiem.

GPT-5.4-nano, jako najmniejszy członek rodziny, nie będzie dorównywał tym wynikom w najbardziej wymagających testach. Jego siła leży gdzie indziej: w równowadze między przyzwoitą, bazową kompetencją a błyskawicznym czasem odpowiedzi i niskim kosztem. To model, który ma „wystarczająco dużo rozumu”, by poradzić sobie z wieloma rutynowymi zadaniami produkcyjnymi, nie zużywając przy tym środków na zbędną moc obliczeniową.

Jak zintegrować GPT-5.4-nano? Prosta ścieżka dla deweloperów

Dla programistów pracujących w Pythonie integracja jest błyskawiczna. Wystarczy upewnić się, że korzystają z najnowszej wersji oficjalnego SDK OpenAI. Aktualizacja za pomocą polecenia pip install openai --upgrade otwiera dostęp do nowego modelu poprzez standardowe wywołania API.

To podejście jest spójne z filozofią OpenAI – minimalizacja barier wejścia dla programistów. Nie ma skomplikowanych procedur migracji, nowych bibliotek czy radykalnych zmian w kodzie. Nowa moc jest dostępna tam, gdzie deweloperzy już pracują.

Podsumowanie

Premiera GPT-5.4-nano w API to ważny krok w demokratyzacji dostępu do zaawansowanej sztucznej inteligencji dla biznesu. OpenAI, dostrzegając potrzeby rynku, oferuje nie tylko najpotężniejsze i najdroższe modele, ale też narzędzia skrojone pod realia produkcyjne: wysoką przepustowość, ograniczone budżety i potrzebę krótkiego czasu odpowiedzi.

Ten model to propozycja dla tych, którzy chcą wdrożyć AI na szeroką skalę, automatyzując tysiące prostszych decyzji dziennie bez generowania astronomicznych rachunków. Jest dowodem na to, że ewolucja modeli językowych to nie tylko wyścig na liczbę parametrów, ale też głębsze zrozumienie różnych warstw potrzeb deweloperskich. GPT-5.4-nano może nie napisze przełomowych poematów, ale pomoże usprawnić działanie tysięcy aplikacji, czyniąc je inteligentniejszymi, szybszymi i tańszymi w utrzymaniu.
2026-03-18
GLM-5 Turbo od z.ai: szybki model dla agentów AI dostępny na OpenRouter
Cichy debiut, który może zmienić reguły gry w świecie automatyzacji. GLM-5 Turbo, najnowszy model fundacyjny od chińskiego dewelopera Z.ai (znanego też jako Zhipu AI), pojawił się właśnie na platformie OpenRouter. Nie jest to kolejna iteracja skupiona na ogólnych rozmowach. To specjalista zaprojektowany od podstaw do napędzania złożonych, wieloetapowych agentów AI, szczególnie w środowiskach takich jak OpenClaw.

Dla deweloperów, zwłaszcza tych pracujących nad vibe codingiem, zaawansowanymi workflowami czy integracjami DevOps, to istotna wiadomość. Model obiecuje nie tylko wysoką prędkość, ale przede wszystkim niezawodność w kluczowych dla agentów zadaniach: wywoływaniu narzędzi (tool calling), planowaniu i długotrwałym wykonywaniu łańcuchów instrukcji.

Czym jest GLM-5 Turbo i dlaczego powstał?

GLM-5 Turbo to, jak wskazuje nazwa, wyspecjalizowana, szybka wersja modelu od Z.ai. Jego powstanie nie jest przypadkowe. Rynek narzędzi AI ewoluuje od prostych asystentów czatowych w stronę autonomicznych agentów, które potrafią samodzielnie wykonywać skomplikowane zadania, korzystając z zewnętrznych API, narzędzi deweloperskich czy systemów hostingowych.

Klasyczne modele, nawet bardzo potężne, często mają z tym problem. Mogą „zgadywać” nazwę funkcji, mylić parametry lub gubić wątek w długim, wieloetapowym procesie. GLM-5 Turbo został poddany głębokiemu dostrojeniu (fine-tuning) już na etapie treningu pod kątem scenariuszy znanych z frameworka OpenClaw i podobnych. Jego głównym celem jest zapewnienie stabilności i precyzji w realnych workflowach agentowych.

Kluczowe możliwości: nie tylko szybkość, ale i niezawodność

Co dokładnie potrafi ten model? Specyfikacja techniczna i doniesienia z pierwszych testów wskazują na kilka istotnych filarów.
- Precyzyjne wywoływanie narzędzi (Tool Calling) to jego wizytówka. Twórcy podkreślają, że model wzmocnił zdolność do precyzyjnego wywoływania zewnętrznych narzędzi i różnych umiejętności. W praktyce chodzi o to, by agent korzystający z tego modelu jako „mózgu” nie zawiesił się w połowie zadania przez błędnie sformułowane zapytanie do API. Ma to zapewnić większą stabilność w zadaniach wieloetapowych.
- Składanie i wykonywanie złożonych instrukcji to kolejna mocna strona. GLM-5 Turbo ma lepiej radzić sobie z dekompozycją skomplikowanej prośby użytkownika (np. „zbuduj prostą aplikację do zarządzania zadaniami z backendem i frontendem”) na logiczną sekwencję mniejszych, wykonalnych kroków. To podstawa działania każdego zaawansowanego agenta.
Model wspiera też zadania zaplanowane i długotrwałe. To ważne dla workflowów, które muszą działać w tle, czekać na dane lub wykonywać się przez dłuższy czas bez przerwy. Dodatkowo obsługuje do 128 tysięcy tokenów wyjściowych, co pozwala na generowanie obszernych odpowiedzi lub długich fragmentów kodu. Oferuje też streaming w czasie rzeczywistym, function calling oraz ustrukturyzowane dane wyjściowe (np. JSON), co ułatwia integrację z innymi systemami.

Dla kogo jest ten model? Use case'y w web dev i DevOps

GLM-5 Turbo nie jest modelem do pogawędek. Jego naturalnym środowiskiem są specjalistyczne narzędzia i automatyzacje. Szczególnie mogą na nim skorzystać osoby związane z inżynierią oprogramowania i infrastrukturą.

W kontekście vibe codingu i web developmentu model może stanowić silnik dla zaawansowanych asystentów w edytorach kodu. Wyobraź sobie agenta, który nie tylko podpowiada fragment kodu, ale potrafi samodzielnie zaplanować refaktoryzację, uruchomić testy przez CLI, a potem wdrożyć poprawki na staging, korzystając z odpowiednich narzędzi. Stabilność w wywoływaniu funkcji jest tu kluczowa.

W obszarze DevOps i automatyzacji hostingowej GLM-5 Turbo mógłby napędzać agentów zarządzających infrastrukturą. Na przykład: monitorowanie logów, automatyczne skalowanie zasobów w odpowiedzi na metryki czy zarządzanie złożonymi pipeline'ami wdrożeniowymi – wszystko to wymaga długich, stabilnych łańcuchów decyzyjnych i interakcji z wieloma systemami.

Testy wspominają też o dobrych wynikach w benchmarkach programistycznych (OpenCode, Kilo Code), co potwierdza jego przydatność w zadaniach związanych z kodowaniem.

Jak zacząć z GLM-5 Turbo? Dostępność na OpenRouter

Najprostsza droga do przetestowania możliwości modelu prowadzi przez OpenRouter. Platforma ta udostępnia GLM-5 Turbo przez swoje API, co oznacza, że deweloperzy mogą zintegrować go ze swoimi aplikacjami czy narzędziami wewnętrznymi.

Co ważne, OpenRouter obsługuje tzw. tryb reasoningu dla tego modelu. W praktyce, wysyłając zapytanie z parametrem reasoning, możemy poprosić model o zwrócenie nie tylko finalnej odpowiedzi, ale też jego wewnętrznego procesu rozumowania krok po kroku. To nieoceniona funkcja przy debugowaniu agentów lub budowaniu systemów, które wymagają iteracyjnej samokorekty i planowania.

Model jest też konfigurowalny w innych narzędziach, na przykład we frameworku OpenCode, gdzie można go wybrać jako silnik poprzez odpowiedni wpis w pliku konfiguracyjnym JSON. Pojawił się również na innych platformach, jak Krater.ai, co poszerza możliwości dostępu.

Podsumowanie: specjalista w świecie agentów AI

GLM-5 Turbo od Z.ai to ciekawy przykład specjalizacji w świecie dużych modeli językowych. Zamiast walczyć o tytuł „najmądrzejszego” modelu w ogólnych testach, jego twórcy postawili na bycie najbardziej niezawodnym w konkretnej, szybko rosnącej niszy: autonomicznych agentów AI.

Jego pojawienie się na OpenRouter demokratyzuje dostęp do tej technologii. Dla zespołów deweloperskich pracujących nad zaawansowaną automatyzacją, vibe codingiem czy systemami DevOps może to być komponent wart przetestowania. Stabilność w wywoływaniu narzędzi, zdolność do zarządzania długimi procesami i optymalizacja pod realne workflowy to argumenty, które trudno zignorować. To nie jest rewolucja dla każdego użytkownika AI, ale dla twórców agentów – może być bardzo istotnym krokiem naprzód.
2026-03-16
Codex v0.112.0 wprowadza wzmianki @plugin i zaostrza bezpieczeństwo sandboxów
Najnowsza wersja terminalowego asystenta programistycznego od OpenAI, Codex 0.112.0, to solidna aktualizacja skupiająca się na dwóch kluczowych obszarach: wygodzie integracji pluginów i bezpieczeństwie wykonywania narzędzi. Wydanie, które trafiło do użytkowników w marcu 2026 roku, nie przynosi rewolucyjnych zmian w interfejsie, ale za to subtelnie, acz znacząco, usprawnia codzienną pracę z AI w terminalu.

Głównymi nowościami tej odsłony są możliwość bezpośredniego przywoływania pluginów w czacie za pomocą symbolu @ oraz fundamentalne zmiany w polityce sandboxów, które mają zapobiegać nieautoryzowanym działaniom. To ewolucja wpisująca się w trend rozbudowy ekosystemu Codexa – lekkiego agenta, który zdobył już sporą popularność wśród deweloperów.

Łatwiejsza integracja: wywołaj plugin w rozmowie za pomocą @

Jedną z bardziej praktycznych nowości jest funkcja @plugin mentions. Do tej pory korzystanie z funkcjonalności pluginów mogło wymagać pamiętania o specyficznych komendach lub kontekstach. Teraz, w trakcie rozmowy z Codexem w terminalu (TUI), wystarczy wspomnieć o pluginie, używając @nazwa_plugina.

Na przykład, pisząc „@git jaki jest status mojego repozytorium?”, użytkownik automatycznie załącza kontekst związany z danym pluginem, aplikacją lub umiejętnością (skill). To małe, ale niezwykle przydatne udogodnienie, które sprawia, że praca z wieloma rozszerzeniami staje się bardziej płynna i intuicyjna. Zmiana ta (oznaczona w changelogu jako #13510) bezpośrednio odpowiada na potrzeby użytkowników, którzy chcą szybko przełączać się między różnymi narzędziami bez przerywania flow pracy.

Poza tym zaktualizowano też katalog modeli w interfejsie TUI. Teraz wybór modelu podczas rozpoczynania sesji lepiej odzwierciedla aktualną ofertę OpenAI.

Bezpieczeństwo przede wszystkim: nowa polityka sandboxów dla zsh-fork

Jeśli integracja pluginów to kwestia wygody, to druga główna zmiana dotyczy fundamentów bezpieczeństwa. W wersji 0.112.0 połączono profile uprawnień wykonywalnych z polityką sandboxa na każdą turę (per-turn sandbox policy). To techniczne, ale kluczowe usprawnienie dotyczące wykonywania umiejętności typu zsh-fork.

W skrócie: kiedy Codex uruchamia narzędzie systemowe lub skrypt, robi to w izolowanym środowisku (sandboxie). Dotychczasowe, oddzielne profile uprawnień zostały teraz scalone z główną polityką sandboxa dla danej operacji. Daje to bardziej spójny, addytywny (czyli kumulujący uprawnienia tylko w razie potrzeby) i przede wszystkim bezpieczniejszy model przyznawania dostępu. Sandbox stał się surowszy i bardziej przewidywalny, co minimalizuje ryzyko nieautoryzowanych działań podczas automatycznego wykonywania poleceń.

Ta zmiana (o numerze #13496) pokazuje, że twórcy Codexa traktują bezpieczeństwo poważnie, szczególnie w kontekście agenta, który ma bezpośredni dostęp do systemu i może wykonywać polecenia. Jest to niezwykle istotne dla deweloperów i zespołów DevOps, którzy powierzają Codexowi automatyzację wrażliwych części workflow.

Stabilność i izolacja: poprawki pod maską

Oprócz dwóch flagowych funkcji, wydanie 0.112.0 naprawia szereg błędów i wzmacnia system. To właśnie te poprawki często decydują o tym, czy narzędzie jest po prostu dobre, czy też można na nim polegać w codziennej pracy.
- Naprawiono obsługę stanu JS REPL*. REPL (Read-Eval-Print Loop) to interaktywne środowisko do uruchamiania kodu JavaScript, a problemy z zarządzaniem jego stanem mogły prowadzić do niespójnych wyników lub błędów. Teraz funkcja ta działa poprawniej.
Kluczową poprawką jest też bezpieczne zamykanie serwera (graceful shutdown). Gdy aplikacja serwerowa Codexa otrzymuje sygnał SIGTERM (standardowy sygnał zamknięcia), traktuje go jak naciśnięcie Ctrl-C. Dzięki temu połączenia WebSocket zamykają się w uporządkowany sposób, a nie są gwałtownie przerywane. Pozwala to uniknąć potencjalnego uszkodzenia danych i zapewnia stabilność.

Wzmocniono także bezpieczeństwo przesyłania obrazów w JS REPL. Funkcja emitImage została „utwardzona” i teraz akceptuje wyłącznie adresy URL zaczynające się od data:. Blokuje to możliwość przesyłania obrazów z zewnętrznych, potencjalnie niebezpiecznych źródeł, zamykając kolejną ewentualną lukę.

Usprawnienia dla różnych systemów operacyjnych

Codex rozwija się jako narzędzie wieloplatformowe, stąd poprawki dotyczące specyfiki różnych systemów.

W przypadku Linuxa usprawniono izolację za pomocą bubblewrap (narzędzia do tworzenia sandboxów). Poprawka (#13624) zapewnia, że przestrzenie nazw użytkownika (user namespaces) nie są współdzielone, co gwarantuje silniejszą izolację. Działa to niezawodnie nawet w sytuacjach, gdy Codex jest uruchamiany z uprawnieniami roota, co jest ważne w zaawansowanych scenariuszach DevOps.

Dla użytkowników macOS naprawiono konfigurację sieci w sandboxie opartym na mechanizmie Seatbelt od Apple. Z kolei w wersji na Linuxa poprawiono ogólne ustawienia sieciowe sandboxa, aby działały bardziej przewidywalnie.

Jak to wpisuje się w szerszy obraz Codexa?

Wydanie 0.112.0 to kolejny krok po znaczących aktualizacjach z ostatnich miesięcy.

Wersja 0.111.0 włączyła domyślnie tryb Fast (szybsze, ale mniej szczegółowe odpowiedzi), dodała dynamiczne importy w JS REPL i rozszerzyła możliwości pracy z obrazami. Z kolei 0.110.0 była dużą zmianą, wprowadzającą cały system pluginów z umiejętnościami i konektorami, trwały przełącznik trybu Fast, ulepszone „wspomnienia” (memories) oraz liczne poprawki stabilności.

Codex ewoluuje z prostego, tekstowego bota do kodowania w pełnoprawny ekosystem. Kolejne wersje, jak 0.113.0, rozbudowują go dalej o zaawansowane przepływy pracy z pluginami.
- Podsumowując*, Codex v0.112.0 to aktualizacja stawiająca na praktyczność i bezpieczeństwo. Wprowadzenie wzmianek @plugin upraszcza interakcję z rosnącą biblioteką rozszerzeń, czyniąc terminalowego asystenta bardziej elastycznym. Jednocześnie głębokie przebudowanie polityki sandboxów dla zsh-fork oraz liczne poprawki stabilności świadczą o dojrzałości projektu.
Choć zmiany te nie rzucają się w oczy od razu, to właśnie takie udoskonalenia – poprawiające codzienną ergonomię i budujące zaufanie do bezpieczeństwa wykonywanych poleceń – są często najcenniejsze. Dla deweloperów, szczególnie tych zajmujących się web developmentem, AI i automatyzacją DevOps, Codex 0.112.0 oferuje płynniejsze i znacznie pewniejsze środowisko do „vibe codingu” bez wychodzenia z terminala.
2026-03-15
Claude Code 2.1.71: Nowa Komenda Loop, Lepsze Bash I Naprawy Startu
Najnowsza aktualizacja Claude Code, oznaczona numerem 2.1, przynosi zestaw funkcji, które mogą zmienić sposób, w jaki korzystasz z asystenta AI w terminalu. Wydanie skupia się na trzech głównych obszarach: automatyzacji powtarzalnych zadań, poprawie płynności pracy z powłoką Bash oraz wyeliminowaniu błędów blokujących rozpoczęcie pracy. To solidne usprawnienie, które przynosi realne korzyści deweloperom.

/loop – terminal zyskuje własny harmonogram zadań

Najciekawszą nowością jest komenda /loop. Jej koncepcja jest prosta, ale potencjał ogromny – pozwala ona na cykliczne wykonywanie dowolnego polecenia lub promptu w regularnych odstępach czasu.

Zamiast ręcznie uruchamiać te same sprawdzenia, możesz teraz ustawić je w tle. Przykład? loop 5m check the deploy będzie monitorować status wdrożenia co pięć minut. Składnia jest intuicyjna: podajesz przedział czasowy (s – sekundy, m – minuty, h – godziny, d – dni) oraz akcję do wykonania. Dla interwałów krótszych niż minuta system zaokrągla je w górę do pełnej minuty, co stanowi sensowne zabezpieczenie.

Co ważne, system ma wbudowane zabezpieczenie przed „zapomnianymi” pętlami. Każde takie cykliczne zadanie wygasa automatycznie po trzech dniach. To eleganckie rozwiązanie problemu potencjalnego marnowania zasobów. /loop przekształca Claude Code z narzędzia do pojedynczych interakcji w aktywnego asystenta działającego w tle.

Rozszerzone wsparcie Bash i mniej potwierdzeń

Drugim filarem tej aktualizacji jest znacząca poprawa doświadczeń z powłoką Bash. Zespół rozszerzył tzw. „auto-approval allowlist”, czyli listę poleceń, dla których Claude Code nie wymaga od użytkownika ręcznego potwierdzenia przed wykonaniem.

Na listę bezpiecznych, automatycznie akceptowanych komend trafiły między innymi:
** lsof – list open files** pgrep – process grep
** tput – terminal capabilities** ss – socket statistics
- fd oraz fdfind – narzędzia do wyszukiwania plików.
To głównie polecenia diagnostyczne lub odczytujące stan systemu, więc ich automatyczne wykonanie nie stanowi ryzyka. Efekt? Mniej przerw w pracy i rzadsze pojawianie się próśb o potwierdzenie. Praca w terminalu staje się płynniejsza.

Dodano też nowy, natywny moduł parsujący Bash. Choć brzmi to technicznie, przekłada się na konkretne korzyści: szybszą inicjalizację sesji oraz – co kluczowe – brak wycieków pamięci. Poprawki w parserze Tree-sitter dodatkowo eliminują fałszywe alarmy, które powodowały niepotrzebne prośby o potwierdzenie przy użyciu konstrukcji takich jak find -exec czy przypisania do zmiennych.

Koniec z zawieszaniem się przy starcie

Trzecia, może mniej widowiskowa, ale niezwykle istotna część aktualizacji to stabilizacja. Wersja 2.1 naprawia kilka krytycznych błędów, które potrafiły zablokować uruchomienie programu lub sparaliżować pracę.

Najważniejsze poprawki dotyczące startu i stabilności to:
- Naprawa blokad przy inicjalizacji trybu głosowego – usunięto problemy, które uniemożliwiały niektórym użytkownikom korzystanie z funkcji głosowych.
- Poprawki odświeżania tokenów OAuth – szczególnie dla łączników claude.ai, gdzie proces mógł zawiesić aplikację.
- Rozwiązanie problemu z zawieszaniem się przy wielu zmianach w skillach – na przykład podczas wykonywania git pull w dużym katalogu .claude/skills/.
- Optymalizacja ładowania procesora obrazów – przeniesienie tego na późniejszy etap startu, aby przyspieszyć uruchamianie.
- Lepsze zarządzanie połączeniami – bridge rekonstruuje połączenie w kilka sekund po wybudzeniu komputera ze snu, zamiast czekać nawet 10 minut.
Te zmiany sprawiają, że aplikacja startuje szybciej, jest bardziej responsywna i mniej podatna na nieoczekiwane zawieszenia.

Masa drobnych usprawnień i poprawek

Poza głównymi nowościami, wydanie 2.1 zawiera dziesiątki innych udoskonaleń. Według podsumowań to od 8 do 14 nowych funkcji oraz od 30 do 35 poprawek błędów.

Warto zwrócić uwagę na kilka z nich:
- /plan z argumentami – teraz możesz od razu przejść do trybu planowania z konkretnym zadaniem, wpisując np. /plan fix the bug.
- Przeprojektowany /config – interfejs konfiguracji został odświeżony w celu poprawy użyteczności.
- Nowa umiejętność /claude-api – dedykowane narzędzie do budowania aplikacji korzystających z API Claude.
- Caching promptów – przywrócono poprawną pracę cache’owania w SDK, co w niektórych konwersacjach może zmniejszyć koszt tokenów wejściowych nawet 12-krotnie.
- Poprawki w VS Code – lepsza responsywność przewijania, działający Shift+Enter, poprawiony wskaźnik „wysiłku” AI.
- Lepsze zarządzanie sesjami i pluginami – naprawiono błędy z instalacją pluginów, dziedziczeniem ustawień w zespołach oraz błędy przy znakach Unicode.
Drobna, ale znacząca zmiana: skrócono też interwał komendy /poll z 5 sekund do około 10 minut, redukując zbędny ruch sieciowy.

Dlaczego ta aktualizacja ma znaczenie?

Claude Code 2.1 może nie jest przełomem, ale stanowi doskonały przykład dojrzałego rozwoju oprogramowania. Zamiast wprowadzać niesprawdzone funkcje, zespół skupił się na dopracowaniu istniejących rozwiązań i dodaniu narzędzi wynikających z realnych potrzeb użytkowników.

Komenda /loop bezpośrednio odpowiada na potrzebę automatyzacji i ciągłego monitorowania. Rozszerzenie listy autoakceptowanych komend Bash to reakcja na feedback o zbyt częstym przerywaniu flow pracy. A poprawki stabilności sprawiają, że narzędzie jest po prostu bardziej niezawodne.

Wszystko to przekłada się na lepsze środowisko dla deweloperów zajmujących się web developmentem, AI, vibe codingiem, hostingiem czy DevOps. Szybszy, stabilniejszy terminal z AI, który potrafi samodzielnie powtarzać zadania i rzadziej zawraca głowę drobiazgami – to właśnie oferuje ta wersja. Aktualizacja pokazuje też szybkie tempo rozwoju Claude Code, gdzie znaczące wydania pojawiają się co kilka dni.
2026-03-13
Antigravity 1.20.4: Ulepszenia Agentów i Stabilności Platformy AI dla Deweloperów

Najnowsza aktualizacja Antigravity, oznaczona numerem wersji 1.20.4, przynosi istotne ulepszenia w kluczowych obszarach działania tej agentowej platformy programistycznej napędzanej przez AI. Google kontynuuje rozwijanie swojego wizjonerskiego środowiska IDE, skupiając się na poprawie funkcjonalności autonomicznych agentów, wydajności i ogólnej stabilności interfejsu. To kolejny krok w ewolucji narzędzia, które ma zmienić sposób, w jaki deweloperzy podchodzą do tworzenia kodu.

Choć szczegółowe, oficjalne informacje o zmianach w wersji 1.20.4 są ograniczone, analiza dostępnych źródeł oraz zgłoszeń użytkowników pozwala zrekonstruować główne kierunki rozwoju. Wersja ta pojawia się po 1.20.3, która – według danych z releasebot.io – zawierała trzy ulepszenia, trzy poprawki i jedną łatę, głównie dotyczące stabilności i interfejsu. Wersja 1.20.4 kontynuuje ten trend, ale wprowadza też konkretne, nowe funkcje.

Rozszerzona Elastyczność Agentów: Wczytywaniu Reguł Agentów

Jedną z kluczowych zmian, która wywołała dyskusje wśród użytkowników, jest rozszerzenie mechanizmu wczytywania reguł i przepływów pracy dla agentów. Wcześniejsze wersje Antigravity szukały konfiguracji w ścieżce .agent w katalogu projektu. W wersji 1.20.4 platforma rozszerzyła swoją obsługę.

Agenci mogą teraz czytać reguły nie tylko z pliku GEMINI.md, ale również z AGENTS.md. To logiczne poszerzenie architektury zorientowanej na agenty, która od początku opiera się na modelach Gemini. Zmiana ta daje zespołom większą swobodę w organizowaniu i separowaniu instrukcji specyficznych dla modelu od ogólnych zasad działania agentów, co może poprawić przejrzystość i zarządzanie konfiguracją w większych projektach.

Warto jednak zauważyć, że zmiana ta początkowo wprowadziła zamieszanie. Niektórzy użytkownicy zgłaszali na forach, że po aktualizacji do 1.20.4 ich dotychczasowe reguły umieszczone w .agent stały się „niewidzialne” dla interfejsu agenta. Sugeruje to, że mogło dojść do zmiany w priorytecie skanowanych ścieżek lub logiki łączenia konfiguracji, co nie zostało w pełni udokumentowane. Problem ten mógł zmusić część osób do szukania rozwiązań w starszych wersjach. Jest to przykład typowych „bólów wzrostowych” dynamicznie rozwijanej platformy.

Optymalizacja Wydajności i Stabilności

Drugim filarem tej aktualizacji jest poprawa wydajności i wyeliminowanie uciążliwych błędów. Deweloperzy pracujący nad długimi, złożonymi konwersacjami z agentami powinni odczuć różnicę – czas wczytywania takich rozmów został zoptymalizowany. To kontynuacja prac nad poprawą płynności pracy z rozbudowanymi historiami dyskusji.

Szybsze ładowanie historii jest kluczowe dla płynności pracy, zwłaszcza gdy agent staje się pełnoprawnym uczestnikiem projektu, a jego dyskusje z programistą rozrastają się do setek lub tysięcy wiadomości. Każda sekunda oszczędzona tutaj przekłada się na lepsze doświadczenie użytkownika i mniejsze poczucie frustracji.

W pakiecie poprawek znalazły się również konkretne łatki dla interfejsu. Naprawiono problemy z kontrastem kolorów w terminalu Menedżera Agentów, co poprawia czytelność. Usprawniono także mechanizmy rozliczania tokenów, które są podstawową jednostką zużycia w modelach AI. Precyzyjne liczenie tokenów jest niezbędne zarówno dla użytkowników monitorujących koszty, jak i dla samej platformy do efektywnego zarządzania limitami i kontekstem.

Ciekawą zmianą jest deprecjacja, czyli oznaczenie jako przestarzałego, osobnego ustawienia „Auto-continue”. Funkcja ta jest teraz domyślnie włączona. „Auto-continue” pozwala agentom na płynniejsze kontynuowanie zadań bez konieczności potwierdzania każdego kroku przez użytkownika. Uczynienie tego zachowania domyślnym wyraźnie wskazuje na kierunek platformy: ku większej autonomii i płynniejszej współpracy między człowiekiem a AI. Deweloperzy, którzy wolą mieć pełną, manualną kontrolę nad każdą akcją, nadal mogą skorzystać z trybu bezpiecznego (Secure Mode), który wymaga ludzkiej recenzji przed wykonaniem potencjalnie ryzykownych akcji.

Nowe Wyzwania z Interfejsem Użytkownika

Nie każda zmiana w 1.20.4 okazała się w pełni pozytywna z punktu widzenia użytkownika. Aktualizacja wprowadziła niezamierzony, ale dość dokuczliwy błąd w interfejsie. Wielu użytkowników zgłasza na forach Google AI, że po aktualizacji pojawiły się problemy ze stabilnością interfejsu użytkownika, takie jak czarny ekran edytora czy inne niespodziewane zachowania.

Ten incydent pokazuje wyzwania związane z testowaniem złożonych, lokalnych aplikacji na wielu platformach (Windows, macOS, Linux) przed ich wydaniem. Nawet pozornie małe zmiany mogą prowadzić do nieoczekiwanych interakcji, które psują doświadczenie. Można się spodziewać, że tego typu problemy zostały lub zostaną szybko załatane w kolejnej aktualizacji.

Kontekst Rozwoju Antigravity

Aby zrozumieć znaczenie wersji 1.20.4, warto spojrzeć na nią w szerszej perspektywie rozwoju platformy. Antigravity oficjalnie wystartowało jako „w pełni wyposażone, napędzane AI IDE” i „wizja tego, jak wygląda rozwój w paradygmacie zorientowanym na agentów”.

Od tego czasu każda większa aktualizacja wnosiła kolejny element do tej układanki. Wśród wcześniejszych wprowadzeń znalazło się wsparcie dla modelu Gemini 3 Flash oraz krytyczny tryb bezpieczny. Platforma regularnie otrzymywała aktualizacje skupiające się na stabilności, nowych ekranach ustawień i integracji z terminalem.

Wersja 1.20.4 wpisuje się w ten ciągły strumień ulepszeń, skupiając się na dopracowaniu podstaw: stabilności, wydajności i ergonomii konfiguracji agentów. Nie jest to może przełomowy numer, ale właśnie takie aktualizacje budują dojrzałość i niezawodność platformy, co jest niezbędne do jej adopcji w profesjonalnych środowiskach.

Platforma ewoluuje w stronę kompleksowego środowiska do vibe coding i AI/dev ops, gdzie agenci przejmują całe przepływy pracy: od planowania przez implementację, testy, aż po weryfikację. Generują przy tym nie tylko kod, ale też artefakty jak plany projektu, logi, zrzuty ekranu, a nawet nagrania z przeglądarki. Wersja 1.20.4, usprawniając zarządzanie ich regułami i przyspieszając pracę z długimi konwersacjami, bezpośrednio wspiera ten główny cel.

Podsumowanie i Kierunki na Przyszłość

Aktualizacja Antigravity 1.20.4 to typowy „solidny” release. Nie rzuca na kolana nowymi, rewolucyjnymi funkcjami, ale metodycznie poprawia to, co już istnieje. Rozszerzenie obsługi plików konfiguracyjnych agentów, optymalizacja ładowania konwersacji, poprawki kontrastu i liczenia tokenów – wszystkie te zmiany służą jednemu: sprawić, by codzienna praca z AI-agenci w IDE była szybsza, bardziej przewidywalna i mniej frustrująca.

Nawet pojawienie się błędów w interfejsie jest pouczające. Pokazuje, jak ważne jest rygorystyczne testowanie w tak złożonej aplikacji i jak szybko społeczność użytkowników może zidentyfikować i zgłosić problem. Taka informacja zwrotna jest bezcenna dla zespołów programistów.

Trend jest jasny: Antigravity podwaja stawkę na swojej podstawowej wartości – autonomicznych agentach programistycznych. Deprecjacja ustawienia „Auto-continue” na rzecz domyślnej aktywacji to wyraźny sygnał. Platforma zachęca do większego zaufania AI w rutynowych zadaniach, jednocześnie oferując mechanizmy bezpieczeństwa dla krytycznych operacji. Kolejne aktualizacje, w tym już wydana wersja 1.20.5, będą prawdopodobnie kontynuować oczyszczanie frontu z błędów i dopracowywanie doświadczenia, przygotowując grunt pod kolejne, większe funkcje agentowego programowania.

2026-03-12
Gemini CLI v0.34.0 Nighlty: Lepsze Zarządzanie, Bezpieczeństwo i Dostępność
Wydanie v0.34.0-nightly.20260307.6c3a90645 dla Gemini CLI przynosi solidną porcję ulepszeń, które przybliżają narzędzie do stabilnej wersji. Ten nightly build koncentruje się na poprawie podstawowych komponentów: interfejsu użytkownika, bezpieczeństwa danych i niezawodności działania agentów AI w środowiskach deweloperskich. Wprowadzone zmiany, choć techniczne w swojej naturze, mają realny wpływ na codzienną pracę z terminalem wspieranym przez sztuczną inteligencję, czy to przy vibe coding, automatyzacji DevOps, czy zarządzaniu złożonymi projektami.

Flaga --all dla Czystego Odinstalowania Rozszerzeń

Jedną z bardziej praktycznych nowości jest dodanie flagi --all do polecenia odinstalowywania rozszerzeń. Dotychczas usuwanie wielu wtyczek mogło być uciążliwe. Teraz deweloper może użyć tej flagi, aby usprawnić zarządzanie środowiskiem. To drobne, ale ważne ułatwienie dla osób, które często eksperymentują z różnymi dodatkami, testując ich przydatność w swoim workflow.

Dynamiczne Podpowiedzi Skrótów Klawiaturowych i Unifikacja KeychainService

Interfejs użytkownika stał się bardziej intuicyjny dzięki wprowadzeniu dynamicznego generowania podpowiedzi do skrótów klawiaturowych. System nie polega już na sztywno zakodowanych ciągach znaków, tylko generuje je w locie, co zwiększa elastyczność i potencjał dla przyszłych personalizacji. To zmiana odczuwalna głównie dla zaawansowanych użytkowników, którzy polegają na klawiaturze.

Znacznie poważniejszą modernizacją jest wprowadzenie zunifikowanego KeychainService. Ten nowy, scentralizowany serwis przejmuje obowiązek bezpiecznego przechowywania tokenów uwierzytelniających, migrując istniejące konfiguracje. W praktyce oznacza to lepszą ochronę wrażliwych danych dostępowych, co jest kluczowe przy integracji z zewnętrznymi API i usługami chmurowymi. To krok w stronę profesjonalnego zarządzania sekretami w aplikacji CLI.

Wydajność i Niezawodność: CacheService i Obsługa Błędów

Pod maską zaszło sporo optymalizacji. Nowy, generyczny CacheService został wdrożony, aby usprawnić proces setupUser, zmniejszając potencjalne opóźnienia przy inicjalizacji. Dla użytkownika może to przełożyć się na nieco szybsze uruchamianie sesji.

Zespół rozwijał też mechanizmy obsługi błędów. Naprawiono problem, który mógł powodować crash'e w wyniku nieobsłużonego AbortError podczas procesu processTurn. Dodano również logikę i dokumentację dotyczącą bezpieczeństwa współbieżności przy delegowaniu zadań do subagentów. To ważna wskazówka dla deweloperów tworzących złożone automatyzacje, gdzie wiele agentów AI może działać równolegle – teraz mają oficjalne wytyczne, jak unikać wyścigów i konfliktów zasobów.

Poprawki Błędów, Które Wpływają na Doświadczenie

Lista poprawek w tym wydaniu jest długa i dotyka różnych aspektów działania CLI:
- Dedyplikacja plików GEMINI.md: Na systemach plików niewrażliwych na wielkość liter (jak w domyślnej konfiguracji macOS) wprowadzono sprawdzanie device/inode, by uniknąć duplikatów.
- Płynne działanie flagi --resume: Polecenie teraz elegancko obsługuje sytuację, gdy nie ma istniejących sesji do wznowienia.
- Kompresja czatu: Naprawiono błąd, dzięki czemu zatwierdzone plany nie są tracone podczas kompresji historii rozmów.
- Propagacja stopHookActive: Poprawiono ścieżki ponawiania dla AfterAgent, zapewniając spójne zachowanie haków zatrzymania.
Te poprawki mogą wydawać się niszowe, ale w skumulowanym efekcie znacząco podnoszą stabilność i przewidywalność narzędzia podczas długich, złożonych sesji z agentem AI.

Zaangażowanie na Rzecz Dostępności i Drobne Usprawnienia Dokumentacji

Google pokazuje, że dostępność jest priorytetem nawet w narzędziach deweloperskich. W tym wydaniu dodano obsługę czytników ekranu dla RewindViewer. To ważny krok w kierunku inkluzywności, umożliwiający programistom z dysfunkcjami wzroku pełniejsze korzystanie z funkcji przeglądania historii.

Dokumentacja także dostała swoje poprawki. Sformatowano czasy wydań w dokumentacji do postaci HH:MM UTC dla jasności, naprawiono błędne linki względne do referencji poleceń oraz doprecyzowano widoczność wyjścia poleceń ! w samouczkach shellowych. Drobna, ale cenna zmiana to też zapewnienie dokumentacji dla ripgrep w kontekście narzędzi wyszukiwania.

Kontekst dla Świata Web Devu i AI

To wydanie nie wprowadza rewolucyjnych, nowych funkcji dla end-usera. Zamiast tego koncentruje się na konsolidacji i utwardzaniu fundamentów. Ulepszenia w zarządzaniu rozszerzeniami, bezpieczeństwie tokenów (KeychainService) i cachingu (CacheService) są kluczowe dla profesjonalnych workflow w hostingowaniu i automatyzacji DevOps, gdzie stabilność i bezpieczeństwo są priorytetem.

Dodanie wskazówek dot. bezpieczeństwa współbieżności dla subagentów bezpośrednio odpowiada na potrzeby zaawansowanych użytkowników, którzy budują wielowątkowe automatyzacje z wykorzystaniem AI. To sygnał, że Gemini CLI dojrzewa jako platforma dla skomplikowanych, produkcyjnych zadań, a nie tylko interaktywny chatbot.

Podsumowanie

Wydanie v0.34.0-nightly.20260307.6c3a90645 Gemini CLI to klasyczna, solidna iteracja rozwojowa. Nie szuka tanich efektów, tylko metodnicznie poprawia to, co już działa, jednocześnie kładąc podwaliny pod przyszłe funkcje. Mocne strony tej wersji to wyraźne ulepszenia w trzech obszarach: ergonomii (flaga --all, dynamiczne podpowiedzi), bezpieczeństwa i stabilności (unified KeychainService, poprawki błędów AbortError, cache) oraz dostępności (czytnik ekranu). Dla użytkowników nocnych buildów oznacza to po prostu bardziej niezawodne i przyjemniejsze narzędzie do codziennej pracy. Wszystko wskazuje na to, że zespół intensywnie pracuje nad przygotowaniem stabilnego wydania 0.34.0, a ta kompilacja jest jego ważnym kamieniem milowym.
2026-03-12